Una elección clínica contiene preguntas diferentes

Una persona consulta porque una dificultad persistente interfiere con su descanso y con actividades que desea recuperar. Existen dos alternativas razonables de atención, con probabilidades diferentes de mejoría y cargas distintas de seguimiento. La persona valora recuperar su actividad laboral, pero le preocupa que una opción exija visitas frecuentes y altere responsabilidades familiares. El equipo dispone de evidencia sobre resultados promedio, aunque desconoce qué ocurrirá en esa trayectoria particular. La decisión requiere estimar consecuencias y comprender cuáles importan. Confundir ambas tareas puede producir una recomendación técnicamente elaborada que no responda al objetivo de la persona.

El caso se desarrolla con alternativas abstractas y cifras sintéticas. No se asignan nombres de tratamientos, dosis ni diagnósticos, y ninguna probabilidad se presenta como resultado de un ensayo real. Este recurso permite examinar con detalle la lógica de una decisión clínica sin convertir el ejemplo en una prescripción. El supuesto inicial es que ambas opciones ya han sido consideradas clínicamente admisibles por el equipo pertinente. Si una alternativa fuera contraindicada o inaccesible, no debería mantenerse en la tabla como si fuera una elección disponible. El conjunto de opciones exige una evaluación previa que el cálculo no reemplaza.

La evidencia responde a preguntas sobre resultados bajo determinadas condiciones: frecuencia de mejoría, posibles daños, duración o carga de una intervención. Las preferencias expresan cómo se valoran esas consecuencias. Un desacuerdo sobre la probabilidad de un efecto puede abordarse revisando estudios o modelos. Un desacuerdo sobre cuánto importa evitar una carga exige deliberación. Ambas dimensiones pueden interactuar, porque comprender mejor una consecuencia cambia su valoración, pero conviene conservar su distinción. Así se evita tratar una preferencia como ignorancia o presentar una estimación incierta como una elección personal.

Elwyn y colaboradores (2012) proponen un modelo práctico de decisión compartida que apoya la deliberación sobre opciones y preferencias. Su propuesta orienta una conversación clínica; no constituye un ensayo que demuestre la eficacia de las alternativas aquí utilizadas. Guyatt y colaboradores (2008), al introducir el enfoque GRADE, distinguen la confianza en estimaciones de efectos de la fuerza de una recomendación. Esta distinción permite comprender por qué una evidencia bien establecida puede dejar varias opciones razonables cuando beneficios, cargas y preferencias están equilibrados. Las fuentes respaldan el marco metodológico; los cálculos siguientes pertenecen al ejemplo sintético.

Definir resultados que correspondan a la vida de la persona

Antes de comparar probabilidades, se especifica qué significa mejoría. Una reducción de una puntuación puede ser informativa, pero no equivale necesariamente a recuperar una actividad importante. La persona puede valorar poder sostener una jornada, cuidar a un familiar o descansar sin reorganizar todo el día. El análisis debería conectar el resultado medido con esas metas, indicando dónde existe correspondencia y dónde persiste incertidumbre. Si los estudios solo informan una escala global, no se debe afirmar que demuestran recuperación funcional específica. Esa distancia entre medición y objetivo forma parte de la decisión.

También se define el tiempo. Mejorar dentro de dos semanas y mejorar dentro de tres meses pueden tener consecuencias diferentes, incluso si la probabilidad final es igual. Una obligación próxima puede aumentar el valor de un beneficio temprano; una carga inicial aceptable puede compensarse si después disminuye. El horizonte de los estudios debe compararse con el horizonte de interés. Un resultado a corto plazo no describe automáticamente sostenibilidad, recaída o carga acumulada. Cuando esa información falta, se puede planificar una revisión, pero no completar el vacío con una curva de evolución inventada.

Las consecuencias desfavorables requieren una descripción concreta. «Carga de tratamiento» puede incluir tiempo de desplazamiento, coordinación, molestias, interferencias con actividades o esfuerzo de seguimiento. Estas consecuencias no son intercambiables. Dos horas libres en un calendario no equivalen a dos horas disponibles para alguien que depende de transporte o cuidado de terceros. La carga debe describirse desde la situación de la persona y no únicamente desde la agenda del servicio. Una opción aparentemente ligera para el equipo puede exigir un esfuerzo considerable fuera de la consulta.

El registro de resultados mantiene dimensiones separadas al comienzo. Se comparan beneficios esperados, daños posibles y exigencias prácticas antes de resumirlos en una medida. Esa separación permite detectar consecuencias omitidas y preferencias que no admiten compensación. Una persona puede considerar inaceptable una interferencia concreta aunque la mejoría promedio sea mayor. El análisis no debe forzarla a expresar esa restricción como un peso pequeño en una suma. Puede excluir la opción o establecer una condición de aceptación. La utilidad de una formalización depende de que represente el tipo de preferencia relevante.

Beneficio esperado y carga: un ejemplo resuelto

Supóngase que la opción A tiene probabilidad de mejoría de seis décimas y la opción B de tres cuartas partes. Se asigna una utilidad didáctica de ocho décimas al estado mejorado y de cuatro décimas al estado sin mejoría. La carga de A se representa por cuatro centésimas y la de B por doce centésimas, aplicadas como una reducción en la misma escala. Esta escala es una construcción para el ejercicio; no procede de una medición validada ni permite comparar personas sin supuestos adicionales. Su función consiste en mostrar cómo una ventaja de eficacia puede cambiar al incorporar consecuencias valoradas.

EU(a)=paumejora+(1−pa)usin mejora−ba.EU(a)=p_a u_{\mathrm{mejora}}+(1-p_a)u_{\mathrm{sin\ mejora}}-b_a.
import numpy as np
import math

probability = np.array([0.60, 0.75])
burden = np.array([0.04, 0.12])
utility_better, utility_other = 0.8, 0.4
benefit_utility = probability*utility_better+(1-probability)*utility_other
net_utility = benefit_utility-burden
assert np.allclose(benefit_utility, [0.64, 0.70])
assert np.allclose(net_utility, [0.60, 0.58])
print(benefit_utility, net_utility)

La opción B tiene mayor probabilidad de mejoría y mayor utilidad esperada antes de descontar carga. Tras incorporar las cargas elegidas, A alcanza seis décimas y B cincuenta y ocho centésimas. La diferencia es pequeña y depende de la escala. El resultado no demuestra que una opción menos eficaz sea clínicamente superior. Expone una condición: bajo esta valoración de estados y cargas, A es preferida. Si la carga de B se reduce o si la persona valora más la diferencia entre estados, la preferencia puede cambiar. La conclusión debe conservar esas condiciones en lugar de limitarse a anunciar un ganador.

La suma utilizada presupone que las cargas son comparables con la utilidad del estado y que no dependen del resultado. En la realidad, una carga puede ser más tolerable si aparece mejoría, o un daño puede modificar precisamente la actividad que se desea recuperar. Entonces se requiere una descripción conjunta de consecuencias, con utilidades específicas para sus combinaciones. Sumar probabilidades marginales y costos por separado puede ignorar esas dependencias. La simplicidad del ejemplo facilita la interpretación, pero obliga a examinar si una aplicación concreta necesita estados adicionales antes de utilizar sus resultados.

Una frontera de preferencias evita atribuir el desacuerdo a la evidencia

Se introduce un peso de carga que multiplica ambas exigencias. La diferencia entre la utilidad de B y la de A es seis centésimas menos ocho centésimas multiplicadas por ese peso. La indiferencia aparece cuando el peso vale tres cuartas partes. Si la persona asigna un peso menor, B resulta preferida; si asigna uno mayor, A resulta preferida. Las probabilidades y los estados se mantienen idénticos. Por tanto, dos personas informadas pueden elegir de manera diferente sin que una de ellas esté interpretando mal la evidencia.

EU(B)−EU(A)=0.06−0.08w,w∗=0.75.EU(B)-EU(A)=0.06-0.08w,\qquad w^*=0.75.
def utility_with_burden_weight(weight):
    return benefit_utility-weight*burden

assert math.isclose(float(np.diff(utility_with_burden_weight(0.75))[0]),
                    0.0, abs_tol=1e-12)
assert np.argmax(utility_with_burden_weight(0.5)) == 1
assert np.argmax(utility_with_burden_weight(1.0)) == 0
print(utility_with_burden_weight(0.5), utility_with_burden_weight(1.0))

No es necesario pedir a una persona que declare un coeficiente abstracto para utilizar esta idea. Se pueden comparar situaciones concretas: cuánto tiempo exigiría cada opción, qué actividades se verían afectadas y qué incremento de posibilidad de mejoría consideraría suficiente para aceptar esa diferencia. La conversación puede revelar que una carga inicialmente supuesta es incorrecta. Quizá exista una modalidad de seguimiento que reduzca desplazamientos; quizá una visita coincida con una obligación que la vuelve especialmente costosa. El modelo ayuda a localizar la información relevante para decidir, en lugar de reemplazar la conversación por una cifra.

Las preferencias tampoco deben tratarse como propiedades inmutables. Pueden cambiar cuando la persona comprende mejor una consecuencia, experimenta una carga o modifica sus objetivos. Esa posibilidad justifica ofrecer revisión cuando sea viable. Sin embargo, una preferencia nueva no vuelve inválida retrospectivamente una decisión anterior que fue razonada con la información de entonces. El registro debe distinguir entre cambio de información, cambio de circunstancias y cambio de valoración. Esta distinción permite ajustar el plan sin atribuir incoherencia a la persona ni ocultar errores de comunicación.

Expresar riesgos absolutos y conservar el comparador

Una reducción relativa puede parecer similar en poblaciones con consecuencias absolutas distintas. Considérese una razón de riesgo hipotética de tres cuartas partes para un resultado desfavorable. Si el riesgo de referencia es cuatro décimas, el riesgo con la alternativa es tres décimas y la reducción absoluta es una décima. Si el riesgo de referencia es ocho centésimas, el riesgo resultante es seis centésimas y la reducción absoluta es dos centésimas. Mantener la misma razón es un supuesto del ejercicio, no una propiedad garantizada al cambiar de población.

baseline = np.array([0.40, 0.08])
risk_ratio = 0.75
treated = risk_ratio*baseline
absolute_reduction = baseline-treated
nnt = 1/absolute_reduction
assert np.allclose(absolute_reduction, [0.10, 0.02])
assert np.allclose(nnt, [10, 50])
print(treated, absolute_reduction, nnt)

El inverso de la reducción absoluta produce diez y cincuenta, respectivamente, bajo un horizonte y una comparación definidos. Esa cantidad suele expresarse como número necesario a tratar, pero no debe interpretarse como que se conoce quién será la persona beneficiada ni como un calendario de beneficio. Tampoco se transporta sin revisar riesgo de referencia, efecto y seguimiento. Para comunicar la diferencia puede ser más claro indicar cuántos eventos se esperarían entre cien personas comparables en cada alternativa. La frecuencia natural conserva el denominador y evita que una reducción relativa oculte la magnitud absoluta.

El comparador merece el mismo cuidado que la intervención. «Atención habitual» puede incluir prácticas distintas entre centros y periodos. Una ventaja frente a una atención escasa no equivale a la ventaja frente a un programa ya intensivo. Si el caso clínico dispone de un comparador diferente del estudiado, debe examinarse la aplicabilidad. Esta pregunta puede ser más importante que una diferencia pequeña en el promedio publicado. La evidencia respalda una comparación específica y sus condiciones; el paso hacia la persona requiere valorar cuánto se conserva de esas condiciones.

Incertidumbre empírica y precisión aparente

Imaginemos dos grupos sintéticos de cien observaciones independientes, con sesenta y setenta y cinco mejorías. La diferencia de proporciones estimada es de quince puntos porcentuales. Una aproximación normal no agrupada produce un error estándar cercano a seis coma cinco puntos y un intervalo aproximado del noventa y cinco por ciento que va desde algo más de dos hasta casi veintiocho puntos. El cálculo supone independencia y no contempla sesgos de diseño, pérdidas de seguimiento ni diferencias iniciales. Sirve para mostrar que una estimación puntual de ventaja puede ocultar un rango amplio de efectos compatibles con el procedimiento estadístico.

n_a = n_b = 100
p_a, p_b = 0.60, 0.75
difference = p_b-p_a
standard_error = math.sqrt(p_a*(1-p_a)/n_a+p_b*(1-p_b)/n_b)
approx_interval = (difference-1.96*standard_error,
                   difference+1.96*standard_error)
assert 0.02 < approx_interval[0] < 0.03
assert 0.27 < approx_interval[1] < 0.29
print(difference, standard_error, approx_interval)

Una incertidumbre estrecha tampoco garantiza evidencia confiable. Un estudio grande puede estimar con precisión una comparación sesgada o un resultado poco pertinente. La evaluación debe considerar diseño, medición, pérdidas y aplicabilidad, además del intervalo. La distinción introductoria de Guyatt y colaboradores ayuda a separar confianza en estimaciones y recomendación: incluso una estimación de buena calidad no determina qué carga debería aceptar una persona. En sentido contrario, preferencias muy claras no corrigen una estimación empírica deficiente. La decisión debe describir ambas dimensiones y reconocer cuál limita la conclusión.

Consecuencias temporales con el mismo promedio

La comparación puede cambiar aunque dos opciones tengan igual utilidad media durante el seguimiento. Se construyen cuatro periodos de igual duración. La opción de evolución gradual tiene utilidades de cuatro, seis, ocho y ocho décimas; la opción estable mantiene sesenta y cinco centésimas en cada periodo. Ambas suman dos coma seis unidades de utilidad por periodo. Sin embargo, la primera concentra beneficios al final y la segunda ofrece un nivel mayor al comienzo. Si una actividad importante debe recuperarse pronto, la distribución temporal puede ser decisiva. El promedio no conserva esa información.

gradual = np.array([0.4, 0.6, 0.8, 0.8])
stable = np.full(4, 0.65)
early_weights = np.array([4, 3, 2, 1])/10
late_weights = np.array([1, 2, 3, 4])/10
assert math.isclose(gradual.sum(), stable.sum())
assert math.isclose(float(gradual @ early_weights), 0.58)
assert math.isclose(float(gradual @ late_weights), 0.72)
assert float(gradual @ early_weights) < float(stable @ early_weights)
assert float(gradual @ late_weights) > float(stable @ late_weights)
print(gradual @ early_weights, gradual @ late_weights)

Los pesos utilizados expresan prioridades temporales hipotéticas y no una tasa de descuento clínica validada. Su función es mostrar dos ordenamientos compatibles con la misma trayectoria de consecuencias. Si la persona prioriza los primeros periodos, la opción estable obtiene mayor valoración; si prioriza los últimos, la gradual resulta preferible. La discusión debe explorar si esos pesos reflejan circunstancias reales o si fueron impuestos por quien construyó el modelo. Una fecha laboral, una responsabilidad de cuidado o un periodo de mayor vulnerabilidad pueden justificar que algunos momentos importen especialmente.

La comparación supone que las trayectorias son conocidas, pero en la práctica también son inciertas. Puede haber personas que respondan temprano y otras tarde, o una carga que disminuya con adaptación. Para representar esa heterogeneidad se necesitan distribuciones de trayectorias, no solo promedios por periodo. Una curva media ascendente puede corresponder a mejorías graduales de todos o a mejorías abruptas en momentos distintos. Estas situaciones generan experiencias y necesidades de seguimiento diferentes. Cuando los datos publicados no permiten separarlas, la limitación debe permanecer explícita en la estimación de consecuencias.

La duración de una carga influye en su valoración acumulada. Una visita exigente una sola vez puede ser aceptable, mientras que repetirla semanalmente cambia la comparación. Del mismo modo, un beneficio pequeño pero sostenido puede tener relevancia que no se aprecia en una medición aislada. El análisis temporal debe especificar cuándo comienza cada consecuencia, cuánto dura y qué ocurre si se interrumpe la opción. No conviene representar una carga inicial como permanente ni un beneficio inicial como garantizado durante todo el horizonte. Cada extrapolación necesita una razón identificable.

Dependencia entre beneficios y daños

El modelo aditivo inicial trataba la carga como una cantidad separable del resultado. Considérese ahora un efecto desfavorable que puede coincidir con mejoría. Conocer por separado la probabilidad de mejoría y la del efecto no determina la probabilidad de experimentar ambos. Si la mejoría ocurre en seis décimas y el efecto desfavorable en dos décimas, la probabilidad conjunta puede variar entre cero y dos décimas. Los extremos corresponden a estructuras de dependencia distintas. Si la valoración de mejorar con ese efecto difiere mucho de mejorar sin él, las probabilidades marginales son insuficientes para calcular utilidad esperada.

max⁡(0,pM+pD−1)≤P(M∩D)≤min⁡(pM,pD).\max(0,p_M+p_D-1)\leq P(M\cap D)\leq\min(p_M,p_D).

Una representación con cuatro resultados distingue mejoría sin efecto desfavorable, mejoría con efecto, ausencia de mejoría sin efecto y ausencia de mejoría con efecto. Supóngase que sus utilidades son ocho, cinco, cuatro y una décima. Con probabilidades marginales de seis y dos décimas, respectivamente, esta valoración particular es aditiva: el efecto resta tres décimas en ambos estados. La dependencia no cambia la esperanza. Pero si el efecto redujera la utilidad a dos décimas cuando coincide con mejoría, porque impide la actividad recuperada, la asociación entre resultados sí importaría. La estructura de preferencias determina qué información conjunta hace falta.

def joint_utility(joint, utilities):
    # Orden: mejora sin daño, mejora con daño,
    # sin mejora sin daño, sin mejora con daño.
    probabilities = np.array([0.6-joint, joint, 0.2+joint, 0.2-joint])
    assert np.all(probabilities >= -1e-12)
    assert math.isclose(probabilities.sum(), 1.0)
    return float(probabilities @ np.asarray(utilities))

assert math.isclose(joint_utility(0.0, [0.8,0.5,0.4,0.1]),
                    joint_utility(0.2, [0.8,0.5,0.4,0.1]))
assert math.isclose(joint_utility(0.0, [0.8,0.2,0.4,0.1]), 0.58)
assert math.isclose(joint_utility(0.2, [0.8,0.2,0.4,0.1]), 0.52)
print(joint_utility(0.0, [0.8,0.2,0.4,0.1]),
      joint_utility(0.2, [0.8,0.2,0.4,0.1]))

Este ejemplo ayuda a decidir qué preguntar a una fuente de evidencia. Una revisión que presenta beneficios y efectos adversos por separado puede ser suficiente para ciertas valoraciones y no para otras. Si el objetivo central consiste en recuperar una actividad que el efecto adverso impide, interesa conocer la combinación. No debe asumirse independencia solo porque simplifica la cuenta. Cuando faltan datos conjuntos, se pueden explorar límites plausibles y comprobar si la elección cambia. Si permanece estable bajo todo el rango, la información faltante tiene menos importancia para esa decisión; si se invierte, conviene reconocer que la conclusión depende de ella.

Una deliberación que no abandona a la persona

Presentar opciones y pedir una elección inmediata puede trasladar responsabilidad sin ofrecer apoyo suficiente. La deliberación requiere explicar qué se conoce, qué permanece incierto y cómo se relacionan las alternativas con los objetivos expresados. El profesional conserva la responsabilidad de valorar admisibilidad, interpretar evidencia y ofrecer una recomendación razonada cuando corresponda. La persona aporta información sobre su experiencia, circunstancias y prioridades que no puede deducirse de una tabla. La decisión compartida combina esas contribuciones sin fingir que ambas partes poseen el mismo conocimiento o enfrentan las mismas consecuencias.

Una recomendación puede formularse de manera condicional: dada la prioridad de conservar determinadas actividades y la carga que implica cada opción, una alternativa parece más coherente, aunque otra sería razonable si cambia esa prioridad. La formulación hace visible el vínculo entre evidencia y valoración. También permite que la persona corrija un supuesto: quizá el tiempo de visitas sea menos problemático de lo estimado o exista una preocupación no mencionada. La recomendación se vuelve revisable por razones concretas y no por una aceptación general de autoridad.

El marco de Elwyn y colaboradores destaca el apoyo a preferencias informadas y la posibilidad de revisar decisiones cuando sea viable. En el caso, comprobar comprensión no significa examinar a la persona ni exigir que repita términos estadísticos. Puede consistir en pedir que describa qué diferencia considera más importante y qué espera de la opción elegida. Una respuesta discordante revela una necesidad de aclaración. La comunicación debe adaptarse a la situación y a la forma de participación que la persona prefiera, manteniendo disponibles apoyos pertinentes y evitando interpretar una petición de orientación como ausencia de autonomía.

El encuadre modifica la percepción. Decir que una opción tiene seis posibilidades de mejoría entre diez y decir que cuatro de cada diez no mejoran describe la misma frecuencia desde perspectivas diferentes. Presentar solo el encuadre favorable de una alternativa y el desfavorable de otra puede sesgar la elección. Resulta preferible mantener denominadores, horizontes y formas de expresión comparables. También deben describirse las consecuencias de mantener el plan actual cuando esa sea una alternativa razonable. La ausencia de un cambio activo no equivale a ausencia de efectos o de necesidad de seguimiento.

Las preferencias familiares pueden aportar apoyo y conocimiento contextual, pero no deben atribuirse automáticamente a la persona. Conviene distinguir quién expresa cada preocupación y qué papel desea la persona para otros participantes. En situaciones donde la capacidad para decidir esté afectada o existan necesidades especiales de apoyo, la evaluación requiere procedimientos profesionales e institucionales pertinentes. El modelo numérico no resuelve esos aspectos. Su función sigue siendo aclarar consecuencias y supuestos dentro de un proceso de decisión adecuado, sin reemplazar las condiciones que permiten participar de manera significativa.

Aplicabilidad y resultados que faltan

La evidencia puede proceder de participantes con características distintas de las del caso. Una diferencia de edad, comorbilidad, contexto de atención o disponibilidad de apoyo puede modificar beneficios y cargas. No todas las diferencias invalidan la aplicación, pero requieren examinar mecanismos plausibles de modificación del efecto y la representación de personas comparables. La extrapolación debe distinguir entre ausencia de evidencia directa y evidencia de ausencia de beneficio. Ambas situaciones conducen a incertidumbres distintas y no deberían expresarse con una misma frase categórica.

También hay que revisar qué resultados no se midieron. Una intervención puede mejorar una escala y aumentar tiempo dedicado a gestionar atención; si este último resultado falta, el balance publicado resulta incompleto para una persona que prioriza ese tiempo. La solución no consiste en inventar una penalización precisa. Se puede describir la carga conocida, explorar valores plausibles y reconocer el límite. A veces una consulta sobre logística aporta más a la decisión que un refinamiento adicional del efecto promedio. El análisis debe buscar información que cambie la comparación, no acumular detalles sin función.

Las pérdidas de seguimiento merecen atención porque pueden relacionarse con carga o falta de mejoría. Si se analizan solo quienes completan un programa, las consecuencias pueden parecer más favorables que para quienes lo inician. El estimando de interés debe corresponder a la decisión: elegir iniciar una opción requiere considerar lo que ocurre después de iniciarla, incluidos abandonos y cambios relevantes, según el diseño y el análisis. Una cifra restringida a completadores responde a otra pregunta. La comparación debe identificar esa diferencia antes de trasladar resultados al caso.

Una evidencia heterogénea tampoco obliga a promediar sin criterio. Si los estudios difieren en intervención, población o resultado, el promedio puede representar una combinación poco parecida a la opción disponible. Se necesita examinar qué variantes importan para la decisión. En ocasiones basta una síntesis cualitativa rigurosa con rangos; en otras, un modelo de heterogeneidad aporta información. La elección metodológica debe conservar la comparabilidad y hacer visibles las diferencias que podrían cambiar el balance. Un resultado combinado muy preciso puede ser poco aplicable si su objeto no coincide con la alternativa real.

Separar dos sensibilidades en una misma comparación

La incertidumbre sobre el efecto y la incertidumbre sobre preferencias pueden examinarse sin confundirlas. En el ejemplo, la ventaja de B antes de descontar carga equivale a la diferencia de probabilidades multiplicada por cuatro décimas, que es la distancia entre utilidades de los estados. La carga adicional de B es ocho centésimas, multiplicadas por el peso asignado. Si la diferencia de probabilidades fuera cinco, quince o veinticinco puntos, el balance cambiaría aun manteniendo la misma preferencia. Si cambia el peso de carga, también puede invertirse la elección con idéntica evidencia. Una tabla cruzada muestra qué tipo de información resolvería cada desacuerdo.

effect_differences = np.array([0.05, 0.15, 0.25])
burden_weights = np.array([0.5, 1.0, 1.5])
net_advantage_b = (0.4*effect_differences[:, None] -
                   0.08*burden_weights[None, :])
assert np.allclose(net_advantage_b,
                   [[-0.02,-0.06,-0.10],
                    [ 0.02,-0.02,-0.06],
                    [ 0.06, 0.02,-0.02]])
print(net_advantage_b)
Diferencia hipotética de probabilidad de mejoríaPeso de carga 0,5Peso de carga 1Peso de carga 1,5
0,05−0,02−0,06−0,10
0,150,02−0,02−0,06
0,250,060,02−0,02

Los valores positivos favorecen B dentro de esta escala; los negativos favorecen A. Con el mayor peso de carga, A mantiene ventaja en los tres efectos explorados. En ese rango, precisar más el efecto puede tener menos importancia para la elección que modificar la carga o confirmar la preferencia. Con un peso intermedio, la elección depende del efecto y una estimación más informativa puede cambiarla. Esta lectura identifica dónde se necesita evidencia y dónde una conversación adicional sería más útil. No asigna probabilidades a las celdas ni afirma que todas sean igualmente plausibles.

La tabla tampoco debe utilizarse como instrumento de persuasión. Mostrar solo las celdas favorables a una opción o elegir un rango de preferencias demasiado estrecho produciría una apariencia de análisis sensible que excluye la preocupación central. Los rangos deben derivarse de incertidumbres y prioridades reconocidas. Si la persona no acepta intercambiar una consecuencia por otra, esa restricción se representa fuera de la suma. El análisis de sensibilidad sirve para exponer dependencias, no para diluir una preferencia clara mediante múltiples escenarios que la persona no considera relevantes.

Cuando el balance permanece cercano a cero, puede resultar razonable reconocer que las opciones son difíciles de distinguir con la información y la escala disponibles. Esa conclusión no equivale a indiferencia clínica total: puede haber diferencias logísticas, experiencia previa o posibilidades de revisión que orienten la elección. Tampoco conviene aumentar decimales hasta fabricar una superioridad. Una diferencia pequeña respecto de la incertidumbre de efectos y valoraciones debe comunicarse como tal. La precisión numérica de una operación no determina la precisión de las premisas que la alimentan.

El registro puede conservar la razón que inclinó finalmente la decisión y el cambio que la haría reconsiderar. Por ejemplo, una reducción verificable de desplazamientos podría volver preferible B, mientras que una nueva estimación de beneficio dentro del rango ya explorado quizá no cambie nada. Esta especificación hace la revisión más eficiente: permite buscar información pertinente y evita reabrir toda la decisión ante cualquier dato nuevo. También protege la continuidad cuando intervienen otros profesionales, que pueden comprender la relación entre objetivos, evidencia y elección.

Resolver el caso sin convertir el cálculo en una orden

La persona del caso prioriza recuperar una actividad, pero considera gravosas las visitas frecuentes durante el primer mes. Bajo la valoración inicial del ejemplo, la ventaja de probabilidad de B no compensa su carga y A obtiene una utilidad ligeramente mayor. La diferencia es pequeña y sensible a preferencias. La conversación identifica que parte de la carga de B depende del desplazamiento, y el equipo comprueba si existe una modalidad equivalente y adecuada con menor exigencia logística. Esa comprobación modifica una consecuencia real de la opción, en lugar de intentar persuadir a la persona para que le atribuya menos importancia.

Si la carga de B descendiera de doce a seis centésimas en la escala didáctica, su utilidad neta sería sesenta y cuatro centésimas, mayor que las seis décimas de A. El resultado muestra que una mejora organizacional puede cambiar una decisión clínica sin alterar la eficacia estimada. No demuestra equivalencia clínica entre modalidades: esa condición debe comprobarse antes de asumir que solo cambió la carga. La cuenta identifica exactamente qué supuesto sostiene el cambio de preferencia y qué evidencia adicional sería necesaria para utilizarlo.

reduced_burden = np.array([0.04, 0.06])
revised_utility = benefit_utility-reduced_burden
assert np.allclose(revised_utility, [0.60, 0.64])
print(revised_utility)

Si no existe esa modalidad, la restricción se comunica con claridad y se elige entre opciones realmente disponibles. El plan incluye qué resultados se observarán, qué cargas se revisarán y cuándo se reconsiderará la elección. La revisión no se limita a una puntuación de síntomas: incorpora la actividad que motivó la consulta y la viabilidad del seguimiento. También se especifica qué información requeriría atención antes del plazo previsto. En una aplicación real, estas condiciones se establecen con el equipo tratante y el marco asistencial correspondiente, no a partir de los valores ficticios del ejercicio.

La argumentación final distingue hechos estimados, supuestos y preferencias. Puede sostener que una alternativa tiene mayor probabilidad de un resultado según evidencia pertinente, que la magnitud individual permanece incierta y que la persona prefiere otra por una carga relevante. Esa elección no niega la evidencia. También puede ocurrir que la evidencia sea demasiado incierta para diferenciar opciones y que la preferencia por reversibilidad o menor carga oriente el inicio. La decisión resulta defendible cuando esas razones permanecen visibles y existe una revisión proporcional a lo que está en juego.

Referencias

Elwyn, G., Frosch, D., Thomson, R., Joseph-Williams, N., Lloyd, A., Kinnersley, P., Cording, E., Tomson, D., Dodd, C., Rollnick, S., Edwards, A., y Barry, M. (2012). Shared Decision Making: A Model for Clinical Practice. Journal of General Internal Medicine, 27(10), 1361–1367. https://doi.org/10.1007/s11606-012-2077-6

Guyatt, G. H., Oxman, A. D., Vist, G. E., Kunz, R., Falck-Ytter, Y., Alonso-Coello, P., y Schünemann, H. J. (2008). GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. BMJ, 336, 924–926. https://doi.org/10.1136/bmj.39489.470347.AD